Cevap.

@dataclass dekoratörü, Python 3.7'de tanıtılan veri saklama sınıflarının oluşturulmasında şablon kodunu azaltmak için kullanılan bir araçtır. Python, tür ipuçları sayesinde otomatik olarak __init__, __repr__, __eq__ gibi metodları oluşturur.

Konu Tarihi:

dataclass'ın ortaya çıkmasından önce, geliştiriciler manuel olarak şablon sınıfları yazar, yapıcılar, karşılaştırma metodları ve repr'ı uygularlardı. Daha sonra genellikle adlandırılmış demetlere veya attrs gibi kütüphanelere geçerlerdi. @dataclass'ın getirilmesi bu süreci standartlaştırmış ve basitleştirmiştir.

Sorun:

Şablon kod (boilerplate), yapıcılar ve karşılaştırma metodları arasında kod tekrarları, genellikle hatalara yol açar ve büyük uygulamaların bakımını zorlaştırır.

Çözüm:

Tür ipuçlarını ve özel @dataclass dekoratörünü kullanarak sınıfta gereken tüm metodları otomatik olarak oluşturmak mümkündür.

Kod örneği:

from dataclasses import dataclass

@dataclass
class Point:
    x: int
    y: int

p1 = Point(10, 20)
p2 = Point(10, 20)
print(p1 == p2)  # True, otomatik olarak oluşturulmuş __eq__
print(p1)        # Point(x=10, y=20), otomatik olarak oluşturulmuş __repr__

Anahtar özellikler:

Temel metodların (init, repr, eq vb.) ipucu ile oluşturulması.
Değiştirilemeyen (frozen) ve "korumalı" alanların kolayca eklenebilmesi, ayrıca alanların varsayılan değerleri.
İç içe dataclass'lar ve iç içe veri yapıları desteği.

Kandırıcı Sorular.

@dataclass, kalıtım davranışını değiştirir mi (kalıtım ile ilgili özellikler)?

Evet. dataclass'lı sınıfların kalıtımında özel bir dikkat gereklidir: üst sınıf alanları, alt sınıf alanlarından önce gelir ve ayrıca yapıcılar / argüman sırası çakışmalarında hatalar çıkabilir. Üst ve alt sınıflarda aynı isimli alanlar varsa, sonuncusu önceki alanı geçersiz kılar.

dataclass'ta varsayılan değiştirilebilir değerler kullanmak mümkün mü?

Hayır, bu nesneleri (örneğin, liste) varsayılan olarak doğrudan kullanmak mümkün değildir — field(default_factory=list) kullanmak gerekir. Aksi takdirde, sınıfın tüm örnekleri aynı koleksiyonu paylaşır.

Örnek:

from dataclasses import dataclass, field

@dataclass
class User:
    values: list = field(default_factory=list)

@dataclass, her senaryo için hızlı mıdır? Büyük veri dizilerini saklamak için uygun mudur?

Hayır. dataclass, bellek optimizasyonu için en verimli seçenek değildir. Milyonlarca nesne depolamak için __slots__, namedtuple veya özel yapılar kullanmak daha iyidir — dataclass yardımcı alanlar eklediği için bellek tasarrufu sağlamaz. slots=True parametresini belirterek kombinlemek mümkündür (Python 3.10+), veya el ile slots kullanabilirsiniz.

Tipik hatalar ve anti-patentler

Varsayılan olarak değiştirilebilir nesneler kullanmak (örneğin, values=[]), bu da örnekler arasında beklenmeyen bir "paylaşma" durumuna yol açar.
Kalıtım durumunda alanların tanım sırasını ihlal etmek.
Gerçekten değişmez bir tür gerektiğinde dataclass'ı mutability için kullanmak (frozen=True ayarlanmalı).

Gerçek Hayattan Örnek

Olumsuz Durum

@dataclass
class Cart:
    items: list = []  # hata!

c1 = Cart()
c2 = Cart()
c1.items.append("a")
print(c2.items)  # ['a'] — tüm Cart aynı listeyi paylaşıyor

Artılar:

Kısa kod.

Eksiler:

Yanlış davranış, yeni başlayanlar için beklenmedik (tek bir liste — tüm örnekler için).

Olumlu Durum

from dataclasses import dataclass, field
@dataclass
class Cart:
    items: list = field(default_factory=list)

c1 = Cart()
c2 = Cart()
c1.items.append("a")
print(c2.items)  # []